Lección 7 del curso Álgebra Lineal para Ciencia de Datos y Machine Learning.
En la lección anterior hablamos del producto punto entre vectores, operación que toma como entrada dos vectores y que genera como resultado una cantidad escalar.
En esta lección hablaremos de la norma de un vector, que tiene diferentes aplicaciones especialmente en el Machine Learning. En particular hablaremos de dos tipos de norma: la norma L1 y la norma L2:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
La norma de un vector es un número no negativo que describe la extensión de este vector en el espacio. Otros términos usados son la magnitud o longitud del vector. Y en el ámbito de la Ciencia de Datos y el Machine Learning convencionalmente se usan dos tipos de norma: la norma L1 y la norma L2.
Y este simple concepto lo vemos aplicado, por ejemplo, en los sistemas de recomendación para calcular la similitud del coseno o en las técnicas de regularización que permiten reducir el overfitting de un modelo (temas de los cuales hablamos en detalle en el curso Fundamentos de Deep Learning con Python).
Así que ya hemos visto otra operación fundamental como es la norma de un vector y hemos visto además algunos de sus usos en el Machine Learning.
Con las operaciones que hemos estudiado hasta el momento ya resulta entonces posible introducir los conceptos de bases y espacios vectoriales, que serán el tema de la próxima lección.
Todas las lecciones del curso Álgebra Lineal para Ciencia de Datos y Machine Learning